2024 Nobel Fizik Ödülü’nü Amerikalı bilim insanı John Hopfield ve Birleşik Krallık-Kanada çifte yurttaşı Geoffrey Hinton kazandı.
Ödülü kazanan bilim insanları Hopfield ve Hinton yapay zekanın ima ettiği potansiyeller hakkında henüz hiçbir deneyime sahip olunmadığı konusunda uyarıyorlar. Buluşun isim koyucusu Hinton “bu şeylerin kontrolden çıkma tehdidinden kaygı duymamız gerekir” dedi.
Ödül ikiliye yapay zeka patlamasının önünü açan makine öğrenimindeki keşif ve icatları nedeniyle verildi. Hopfield ve Hinton’ın üzerinde çalıştıkları, çığır açan bilimsel keşiflerden yönetim verimliliğine kadar uzanan alanlardaki devrimci potansiyelleri müjdeleyen bu yeni teknoloji, öte yandan insanlığın yakın gelecekte kendi yarattığı teknolojiyle başa çıkamayarak alt edilebilmesi olasılığından duyulan korkuları da besliyor.
“Bizden daha akıllı şeylere sahip olmanın nasıl bir şey olduğunu bilmiyoruz”
Yapay zekanın isim koyucusu olarak dünya çapında ün kazanmış olan Hinton geçtiğimiz yıl evrensel arama motoru Google’ın da sahibi olan GOOGL.O kuruluşundaki görevinden, öncüsü olduğu teknolojinin ima ettiği tehlikeler konusunda kısıtsız konuşabilmek için istifa edişiyle manşetlere çıkmıştı.
Hinton, Nobel basın toplantısına ABD’nin Kaliforniya kentindeki bir otelden telefonla bağlanarak konuşurken, “Bizden daha akıllı şeylere sahip olmanın nasıl bir şey olduğu konusunda hiçbir deneyime sahip değiliz” dedi.
Hinton, “[Bu], sağlık hizmetleri gibi birçok alan açısından harika olacak,” dedi. “Ancak bir dizi olası kötü sonuçtan, özellikle bu şeylerin kontrolden çıkma tehdidinden kaygı duymamız gerekiyor” diye ekledi.
Yapay zekanın bilinmeyen potansiyeli ve sınırları konusunda sinir bozucu şeyler var
Reuters’in haberine göre, Princeton Üniversitesi’nden emekli profesör 91 yaşındaki Hopfield ise yarattığı, verilerdeki görüntüleri ve diğer desen türlerini depolayabilen ve yeniden oluşturabilen ilişkisel bellek ile biliniyor.
Princeton tarafından düzenlenen basın toplantısında, “Karmaşıklık ve boyut açısından elde ettiğiniz hayli zengin sistemler, bu sistemlere koyduğunuz temel parçacıklara [bakarak] öngörebilmeniz mümkün olmayan özelliklere sahip olabilirler,” dedi. “Bu sistemin yeni bir fizik içerdiğini söylemeniz icap eder.”
Hopfield Hinton’ın kaygılarını yineleyerek yapay zekanın bilinmeyen potansiyeli ve sınırları konusunda sinir bozucu şeyler olduğunu söyledi.
Ancak, “İnsan, yalnızca iyi veya yalnızca kötü olmayan, her iki yönde de kapasiteleri bulunan teknolojilere sahip olmaya alışkındır,” diye ekledi.
İki bilim insanı 36,5 milyon TL tutan parasal ödülü bölüşecek
İsveç Kraliyet Bilimler Akademisi, iki blim insanını ödüllendirmesini “fiziğin araçlarını kullanarak bilimi, mühendisliği ve günlük yaşamı devrimci değişikliklere uğratan günümüzün güçlü makine öğreniminin temelini oluşturmaları[yla]” gerekçelendirdi.
İki bilim insanı kazandıkları ödülün parasal karşılığı olan 11 milyon İsveç kronunu (36 milyon 438 bin 644 TL) bölüşecekler.
Birleşik Krallık doğumlu, halen Toronto Üniversitesi’nden emekli profesör 76 yaşındaki Hinton, üniversitenin verdiği bilgiye göre verilerdeki özellikleri özerk (otonom) olarak bulabilen ve resimlerdeki belirli öğeleri tanımlama türünden görevleri yerine getirebilen bir yöntem icat etti.
Hinton, 2023’te kendisinin ve diğer uzmanların beklediklerinden çok daha erken bir zamanda bilgisayarların insanlardan daha akıllı hale gelebileceğini gördükten sonra Google’dan ayrılmasına karşın, şirketin bu konuda çok sorumluca davrandığını söyledi.
Hinton ayrıca yaptığı araştırmaların bir kısmından pişman olduğunu ancak o sırada sahip olduğu bilgilere göre hareket ettiğini söyledi. Hinton, pişmanlığının suçluluk duymak anlamında olmadığını, içinde çalıştığı koşulların yetersizliği anlamında, daha iyisini yapabileceği koşullarda olamayışından duyduğu pişmanlıktan söz ettiğini söyledi.
Nobel ödülünü aldığı basın toplantısında “Aynı koşullar altında yine aynısını yapardım” dedi. “Ancak bunun, nihayet, kontrolü ele geçirecek bizden daha zeki sistemlerin ortaya çıkabileceği bir genel sonuca varabileceğinden kaygı duyuyorum.”
Makineden oluşan zihin
Nobel Fizik Komitesi başkanı Ellen Moons, makine öğrenimi ve diğer yapay zeka biçimleriyle ilgili kaygılara yönelik sorulara karşılık verirken “Makine öğreniminin muazzam yararları olsa da, çok hızlı gelişimi geleceğimize ilişkin kaygılara da yol açtı” dedi.
“Topluca bütün insanlar, bu yeni teknolojiyi güvenli ve ahlaki bir tarzda, insanlığın en yüksek yararına kullanma sorumluluğunu taşıyor.”
Anne babası fizikçi olan Hopfield, 2019 Benjamin Franklin Fizik Madalyası’nı kazanması vesilesiyle Franklin Enstitüsünce yayımlanan bir çevrimiçi videoda, hayatı boyunca bir bilim insanı veya mühendis olmak dışında bir şey düşünmediğini söyledi.
“Dünyayı anlayanlar onlardı,” dedi. “Beni en çok büyüleyen şeyse, zihnin makineden nasıl oluşabildiği sorusu.”
Bilgilerdeki kalıpları bulmak için fiziği kullandılar
Birçok kişi bilgisayarların diller arasında nasıl çeviri yapabildiğini, görüntüleri nasıl yorumlayabildiğini ve hatta mantıklı konuşmalar yapabildiğini deneyimlemiştir. Belki de daha az bilinen şey, bu tür teknolojinin uzun zamandır büyük miktarda verinin tasnifi ve analizi de dahil olmak üzere araştırma için önemli olduğudur. Makine öğreniminin gelişimi son on beş ila yirmi yılda patlama yaşadı ve yapay sinir ağı adı verilen bir yapıyı kullanıyor. Günümüzde, yapay zekadan bahsettiğimizde , genellikle kastettiğimiz teknoloji türü budur.
Bilgisayarlar düşünemese de makineler artık hafıza ve öğrenme gibi işlevleri taklit edebiliyor. Bu yılın fizik ödül sahipleri bunu mümkün kılmaya yardımcı oldu. Fizikteki temel kavramları ve yöntemleri kullanarak, bilgiyi işlemek için ağlardaki yapıları kullanan teknolojiler geliştirdiler.
Makine öğrenimi, bir tür tarif gibi çalışan geleneksel yazılımdan farklıdır. Yazılım, net bir açıklamaya göre işlenen verileri alır ve sonuçları üretir, tıpkı birinin malzemeleri toplayıp bir tarifi izleyerek işlemesi ve bir kek üretmesi gibi. Bunun yerine, makine öğreniminde bilgisayar örnek olarak öğrenir ve bu da adım adım talimatlarla yönetilmesi için çok belirsiz ve karmaşık olan sorunları ele almasını sağlar. Bir örnek, içindeki nesneleri tanımlamak için bir resmi yorumlamaktır.
Beyni taklit eder
Yapay sinir ağı, tüm ağ yapısını kullanarak bilgiyi işler. İlham başlangıçta beynin nasıl çalıştığını anlama isteğinden geldi. 1940’larda araştırmacılar, beynin nöron ve sinaps ağının altında yatan matematiği anlamaya başladılar. Bulmacanın bir diğer parçası da sinir bilimci Donald Hebb’in nöronlar arasındaki bağlantıların birlikte çalıştıklarında güçlendirilmesi nedeniyle öğrenmenin nasıl gerçekleştiğine dair hipotezi sayesinde psikolojiden geldi.
Daha sonra bu fikirler, yapay sinir ağlarını bilgisayar simülasyonları olarak inşa ederek beynin ağının nasıl işlediğini yeniden yaratma girişimleri tarafından takip edildi. Bunlarda, beynin nöronları farklı değerler verilen düğümler tarafından taklit edilir ve sinapslar, daha güçlü veya daha zayıf hale getirilebilen düğümler arasındaki bağlantılarla temsil edilir. Donald Hebb’in hipotezi, eğitim adı verilen bir süreç aracılığıyla yapay ağları güncellemek için temel kurallardan biri olarak hala kullanılmaktadır .
1960’ların sonunda, bazı cesaret kırıcı teorik sonuçlar birçok araştırmacının bu sinir ağlarının asla gerçek anlamda işe yaramayacağından şüphelenmesine neden oldu. Ancak, yapay sinir ağlarına olan ilgi, bu yılın ödül sahiplerinin çalışmaları da dahil olmak üzere birkaç önemli fikrin etki yaratmasıyla 1980’lerde yeniden canlandı.
İlişkisel bellek
Sinemalarda ve ders salonlarında sıkça bulunan eğimli zemin gibi, nadiren kullandığınız oldukça sıra dışı bir kelimeyi hatırlamaya çalıştığınızı düşünün. Hafızanızı yoklayın. Rampa gibi bir şey … belki radyal ? Hayır, o değil. Rake , işte bu!
Benzer sözcükler arasında doğru olanı bulmak için arama yapma süreci, fizikçi John Hopfield’in 1982’de keşfettiği çağrışımsal hafızayı anımsatıyor. Hopfield ağı, desenleri depolayabilir ve bunları yeniden oluşturmak için bir yönteme sahiptir. Ağa eksik veya hafifçe bozulmuş bir desen verildiğinde, yöntem en benzer olan depolanmış deseni bulabilir.
Hopfield daha önce fizik alanındaki geçmişini moleküler biyolojideki teorik sorunları araştırmak için kullanmıştı. Sinirbilimle ilgili bir toplantıya davet edildiğinde beynin yapısıyla ilgili araştırmalarla karşılaştı. Öğrendikleri onu büyüledi ve basit sinir ağlarının dinamikleri hakkında düşünmeye başladı. Nöronlar birlikte hareket ettiğinde, yalnızca ağın ayrı bileşenlerine bakan biri için belirgin olmayan yeni ve güçlü özellikler ortaya çıkarabilirler.
Hopfield, 1980’de araştırma ilgi alanlarının onu fizik alanındaki meslektaşlarının çalıştığı alanların dışına çıkardığı Princeton Üniversitesi’ndeki görevinden ayrıldı ve kıtanın diğer ucuna taşındı. Güney Kaliforniya, Pasadena’daki Caltech’te (California Teknoloji Enstitüsü) kimya ve biyoloji profesörlüğü teklifini kabul etti. Orada, özgür deneyler yapmak ve sinir ağları hakkındaki fikirlerini geliştirmek için kullanabileceği bilgisayar kaynaklarına erişebildi.
Ancak, birlikte çalışan birçok küçük bileşene sahip sistemlerin nasıl yeni ve ilginç fenomenlere yol açabileceğini anlamak için ilham aldığı fizikteki temellerini terk etmedi. Özellikle, atomik spinleri sayesinde özel özelliklere sahip manyetik malzemeler hakkında bilgi edinmekten faydalandı; bu özellik her atomu minik bir mıknatıs yapar. Komşu atomların spinleri birbirini etkiler; bu, aynı yönde spin ile alanların oluşmasına izin verebilir. Spinler birbirini etkilediğinde malzemelerin nasıl geliştiğini tanımlayan fiziği kullanarak düğümler ve bağlantılar içeren bir model ağı yapabildi.
Ağ, görüntüleri bir manzarada kaydeder
Hopfield’ın kurduğu ağ, farklı güçlerdeki bağlantılar aracılığıyla birbirine bağlı düğümlerden oluşur. Her düğüm ayrı bir değer depolayabilir – Hopfield’ın ilk çalışmasında bu, siyah beyaz bir resimdeki pikseller gibi 0 veya 1 olabilirdi.
Hopfield, ağın genel durumunu, fizikte bulunan spin sistemindeki enerjiye eşdeğer bir özellik ile tanımladı; enerji, düğümlerin tüm değerlerini ve aralarındaki bağlantıların tüm güçlerini kullanan bir formül kullanılarak hesaplanır. Hopfield ağı, siyah (0) veya beyaz (1) değeri verilen düğümlere verilen bir görüntü ile programlanır. Daha sonra ağın bağlantıları, kaydedilen görüntünün düşük enerji alması için enerji formülü kullanılarak ayarlanır. Ağa başka bir desen verildiğinde, düğümleri tek tek dolaşıp, o düğümün değeri değiştirildiğinde ağın daha düşük enerjiye sahip olup olmadığını kontrol etme kuralı vardır. Siyah bir pikselin beyaz olması durumunda enerjinin azaldığı ortaya çıkarsa, renk değiştirir. Bu prosedür, daha fazla iyileştirme bulmak imkansız hale gelene kadar devam eder. Bu noktaya ulaşıldığında, ağ genellikle eğitildiği orijinal görüntüyü yeniden üretmiştir.
Yalnızca bir deseni kaydederseniz bu o kadar dikkat çekici görünmeyebilir. Belki de neden sadece resmin kendisini kaydedip test edilen başka bir resimle karşılaştırmadığınızı merak ediyorsunuzdur, ancak Hopfield’ın yöntemi özeldir çünkü aynı anda birkaç resim kaydedilebilir ve ağ genellikle bunlar arasında ayrım yapabilir.
Hopfield, ağda kaydedilmiş bir durum aramayı, sürtünmenin hareketini yavaşlattığı bir tepe ve vadi manzarasında bir top yuvarlamaya benzetmiştir. Top belirli bir yere bırakılırsa, en yakın vadiye yuvarlanacak ve orada duracaktır. Ağa kaydedilmiş desenlerden birine yakın bir desen verilirse, aynı şekilde, enerji manzarasında bir vadinin dibine varana kadar ilerlemeye devam edecek ve böylece hafızasındaki en yakın deseni bulacaktır.
Hopfield ağı, gürültü içeren veya kısmen silinmiş verileri yeniden oluşturmak için kullanılabilir.
Hopfield ve diğerleri Hopfield ağının nasıl işlediğine dair ayrıntıları geliştirmeye devam ettiler, buna sıfır veya bir değil, herhangi bir değeri depolayabilen düğümler de dahildi. Düğümleri bir resimdeki pikseller olarak düşünürseniz, sadece siyah veya beyaz değil, farklı renklere sahip olabilirler. Geliştirilmiş yöntemler, daha fazla resim kaydetmeyi ve oldukça benzer olsalar bile aralarında ayrım yapmayı mümkün kıldı. Birçok veri noktasından oluşturulduğu sürece, herhangi bir bilgiyi tanımlamak veya yeniden oluşturmak da aynı derecede mümkündür.
Ondokuzuncu yüzyıl fiziği kullanılarak sınıflandırma
Bir resmi hatırlamak bir şeydir, ancak onun tasvir ettiği şeyi yorumlamak biraz daha fazlasını gerektirir.
Çok küçük çocuklar bile farklı hayvanları işaret edip bunun bir köpek, kedi veya sincap olup olmadığını güvenle söyleyebilirler. Bazen yanlış anlayabilirler, ancak oldukça kısa bir süre sonra neredeyse her zaman doğru anlarlar. Bir çocuk bunu tür veya memeli gibi kavramların diyagramlarını veya açıklamalarını görmeden bile öğrenebilir . Her hayvan türünden birkaç örnekle karşılaştıktan sonra, farklı kategoriler çocuğun kafasında yerleşir. İnsanlar bir kediyi tanımayı, bir kelimeyi anlamayı veya bir odaya girip bir şeylerin değiştiğini fark etmeyi çevrelerindeki ortamı deneyimleyerek öğrenirler.
Hopfield ilişkisel bellek üzerine makalesini yayınladığında, Geoffrey Hinton ABD’nin Pittsburgh kentindeki Carnegie Mellon Üniversitesi’nde çalışıyordu. Daha önce İngiltere ve İskoçya’da deneysel psikoloji ve yapay zeka üzerine çalışmıştı ve makinelerin, bilgiyi sıralamak ve yorumlamak için kendi kategorilerini bularak, insanlara benzer şekilde desenleri işlemeyi öğrenip öğrenemeyeceğini merak ediyordu. Meslektaşı Terrence Sejnowski ile birlikte Hinton, Hopfield ağından yola çıktı ve istatistiksel fizikten fikirler kullanarak yeni bir şey inşa etmek için ağı genişletti.
İstatistiksel fizik, bir gazdaki moleküller gibi birçok benzer elementten oluşan sistemleri tanımlar. Gazdaki tüm ayrı molekülleri izlemek zor veya imkansızdır, ancak basınç veya sıcaklık gibi gazın genel özelliklerini belirlemek için bunları toplu olarak ele almak mümkündür. Gaz moleküllerinin hacmi boyunca bireysel hızlarda yayılması ve yine de aynı toplu özelliklere sahip olması için birçok potansiyel yol vardır.
Bireysel bileşenlerin birlikte var olabileceği durumlar istatistiksel fizik kullanılarak analiz edilebilir ve bunların meydana gelme olasılığı hesaplanabilir. Bazı durumlar diğerlerinden daha olasıdır; bu, on dokuzuncu yüzyıl fizikçisi Ludwig Boltzmann tarafından bir denklemde tanımlanan mevcut enerji miktarına bağlıdır. Hinton’un ağı bu denklemi kullandı ve yöntem 1985’te Boltzmann makinesinin çarpıcı ismi altında yayınlandı .
Aynı türden yeni örneklerin tanınması
Boltzmann makinesi genellikle iki farklı düğüm türüyle kullanılır. Bilgi, görünür düğümler olarak adlandırılan bir gruba beslenir. Diğer düğümler gizli bir katman oluşturur. Gizli düğümlerin değerleri ve bağlantıları da ağın bir bütün olarak enerjisine katkıda bulunur.
Makine, düğümlerin değerlerini tek tek güncellemek için bir kural uygulanarak çalıştırılır. Sonunda makine, düğümlerin desenlerinin değişebileceği ancak ağın bir bütün olarak özelliklerinin aynı kalacağı bir duruma girecektir. Daha sonra her olası desen, Boltzmann denklemine göre ağın enerjisi tarafından belirlenen belirli bir olasılığa sahip olacaktır. Makine durduğunda yeni bir desen yaratmış olur ve bu da Boltzmann makinesini üretken bir modelin erken bir örneği yapar.
Boltzmann makinesi öğrenebilir – talimatlardan değil, kendisine verilen örneklerden. Ağın bağlantılarındaki değerleri güncelleyerek eğitilir, böylece eğitildiği sırada görünür düğümlere verilen örnek desenler, makine çalıştırıldığında meydana gelme olasılığı en yüksek olanlardır. Bu eğitim sırasında aynı desen birkaç kez tekrarlanırsa, bu desen için olasılık daha da yüksek olur. Eğitim ayrıca, makinenin eğitildiği örneklere benzeyen yeni desenlerin çıktı olarak verilmesi olasılığını da etkiler.
Eğitilmiş bir Boltzmann makinesi daha önce görmediği bilgilerdeki tanıdık özellikleri tanıyabilir. Bir arkadaşınızın kardeşiyle tanıştığınızı düşünün ve hemen akraba olmaları gerektiğini görebilirsiniz. Benzer şekilde, Boltzmann makinesi eğitim materyalinde bulunan bir kategoriye aitse tamamen yeni bir örneği tanıyabilir ve onu benzer olmayan materyalden ayırt edebilir.
Orijinal haliyle Boltzmann makinesi oldukça verimsizdir ve çözüm bulmak uzun zaman alır. Hinton’un keşfetmeye devam ettiği çeşitli şekillerde geliştirildiğinde işler daha da ilginç hale gelir. Daha sonraki versiyonlar, bazı birimler arasındaki bağlantılar kaldırıldığı için inceltilmiştir. Bunun makineyi daha verimli hale getirebileceği ortaya çıktı.
1990’larda birçok araştırmacı yapay sinir ağlarına olan ilgisini kaybetti, ancak Hinton bu alanda çalışmaya devam edenlerden biriydi. Ayrıca heyecan verici sonuçların yeni patlamasının başlamasına yardımcı oldu; 2006’da meslektaşları Simon Osindero, Yee Whye Teh ve Ruslan Salakhutdinov ile birlikte, üst üste katmanlar halinde bir dizi Boltzmann makinesiyle bir ağı önceden eğitmek için bir yöntem geliştirdiler . Bu ön eğitim, ağdaki bağlantılara daha iyi bir başlangıç noktası verdi ve bu da eğitimini resimlerdeki öğeleri tanıyacak şekilde optimize etti.
Boltzmann makinesi genellikle daha büyük bir ağın parçası olarak kullanılır. Örneğin, izleyicinin tercihlerine göre film veya televizyon dizileri önermek için kullanılabilir.
Makine öğrenimi – bugün ve yarın
John Hopfield ve Geoffrey Hinton, 1980’lerden bu yana yaptıkları çalışmalarla, 2010 yılı civarında başlayan makine öğrenimi devriminin temellerinin atılmasına yardımcı oldular.
Şu anda tanık olduğumuz gelişme, ağları eğitmek için kullanılabilen muazzam miktardaki verilere erişim ve hesaplama gücündeki muazzam artış sayesinde mümkün olmuştur. Günümüzün yapay sinir ağları genellikle çok büyüktür ve birçok katmandan oluşur. Bunlara derin sinir ağları denir ve eğitilme biçimlerine derin öğrenme denir.
Hopfield’in 1982 tarihli ilişkisel bellek hakkındaki makalesine hızlıca bir göz atmak, bu gelişme hakkında biraz perspektif sağlar. Bu makalede, 30 düğümlü bir ağ kullanmıştır. Tüm düğümler birbirine bağlıysa, 435 bağlantı vardır. Düğümlerin değerleri vardır, bağlantıların farklı güçleri vardır ve toplamda, takip edilmesi gereken 500’den az parametre vardır. Ayrıca 100 düğümlü bir ağ da denedi, ancak o sırada kullandığı bilgisayar göz önüne alındığında bu çok karmaşıktı. Bunu, bir trilyondan fazla parametre (bir milyon milyon) içerebilen ağlar olarak inşa edilen günümüzün büyük dil modelleriyle karşılaştırabiliriz.
Birçok araştırmacı artık makine öğreniminin uygulama alanlarını geliştiriyor. Hangisinin en uygulanabilir olacağı henüz belli değil, aynı zamanda bu teknolojinin geliştirilmesi ve kullanımıyla ilgili etik sorunlar hakkında da geniş kapsamlı tartışmalar var.
Fizik, makine öğreniminin geliştirilmesi için araçlar sağladığından, bir araştırma alanı olarak fiziğin yapay sinir ağlarından nasıl faydalandığını görmek ilginçtir. Makine öğrenimi, daha önceki Nobel Fizik Ödülleri’nden aşina olabileceğimiz alanlarda uzun zamandır kullanılmaktadır. Bunlara, Higgs parçacığını keşfetmek için gereken muazzam miktardaki verileri elemek ve işlemek için makine öğreniminin kullanılması dahildir . Diğer uygulamalar arasında çarpışan kara deliklerden gelen kütle çekim dalgalarının ölçümlerindeki gürültüyü azaltmak veya dış gezegenleri aramak yer alır.
Son yıllarda bu teknoloji, moleküllerin ve malzemelerin özelliklerini hesaplamak ve tahmin etmek için de kullanılmaya başlandı. Örneğin, protein moleküllerinin yapısının hesaplanması, bu moleküllerin işlevini belirlemesi veya bir malzemenin hangi yeni versiyonunun daha verimli güneş hücrelerinde kullanım için en iyi özelliklere sahip olabileceğinin belirlenmesi gibi.
Kaynak: Bianet, Nobel Prize
